Para realizar a atividade, segui a lógica proposta para construir um sistema inteligente de recomendação utilizando o algoritmo A*.
Passo 1 – Definir os produtos
Primeiramente, é necessário criar uma classe chamada Produto, responsável por representar cada item da loja online. Cada produto possui três informações principais: nome, categoria e probabilidade de conversão. Essa probabilidade indica a chance de o cliente se interessar pelo produto ou realizar uma compra.
Passo 2 – Criar o sistema de recomendação
Em seguida, criamos a classe AStarRecommendation, responsável por organizar os produtos em um grafo simplificado. Nesse grafo, cada produto funciona como um nó, e cada nó se conecta aos demais produtos. Isso permite que o sistema explore diferentes caminhos possíveis de recomendação.
Passo 3 – Implementar o algoritmo A*
Depois, implementamos o algoritmo A*, que é uma estratégia de busca informada. Ele calcula o melhor caminho entre dois produtos considerando o custo acumulado do percurso e uma estimativa heurística. A lógica utilizada é f = g + h, em que g representa o custo acumulado e h representa a heurística.
Passo 4 – Criar a heurística
A heurística foi definida com base na probabilidade de conversão do produto. Quanto maior a probabilidade de conversão, mais relevante o produto será para a recomendação. Por isso, a função retorna o valor negativo da probabilidade, permitindo que o algoritmo priorize os produtos mais promissores.
Passo 5 – Testar o sistema
Por fim, foram inseridos produtos de exemplo, cada um com nome, categoria e probabilidade de conversão. O sistema foi testado buscando o melhor caminho entre um produto inicial e um produto objetivo. Como resultado, o algoritmo retornou o caminho recomendado com base nas conexões do grafo e na probabilidade de conversão dos produtos.
Relação com a Educação
Ao analisar essa atividade, percebi que a mesma lógica pode ser aplicada em sistemas educacionais inteligentes. Em vez de produtos, poderíamos trabalhar com estudantes, trilhas de aprendizagem ou intervenções pedagógicas. A heurística poderia considerar indicadores como desempenho acadêmico, frequência, engajamento, perfil de aprendizagem ou risco de defasagem.
Por exemplo, em um sistema de mentoria acadêmica, como o caso que desenvolvi para acompanhamento de estudantes de alta performance, o algoritmo poderia identificar quais intervenções possuem maior probabilidade de gerar impacto positivo no desempenho do aluno. Da mesma forma, em uma plataforma de avaliação formativa, seria possível priorizar estudantes que necessitam de acompanhamento mais imediato, utilizando estratégias de busca informada para apoiar a tomada de decisão pedagógica.
Essa atividade mostrou que conceitos como grafos, heurísticas e algoritmos de busca não se aplicam apenas ao comércio eletrônico, mas também podem ser utilizados para criar soluções inteligentes na educação, tornando as intervenções mais personalizadas, eficientes e orientadas por dados.
